如何快速搭建数据分析体系?
针对如何快速搭建数据分析体系这个问题,本文给出了四个搭建原则:明确要统计分析的业务功能、拆分衡量指标/提出分析假设、寻找对比数据、明确数据获取渠道。
产品设计和优化基于数据而高于数据。数据是反映产品效果的一种有力辅助手段,因此,在设计产品、迭代功能前,最好都提前规划好本次“更新换代”的数据统计分析体系,并在上线后不断观察,根据数据反馈指导进一步的产品优化。然而,面对繁杂的数据指标和功能流程,该如何快速而清晰搭建起合适的数据衡量体系,是一个很重要的问题。
无论是搭建一套完整的体系,还是单纯用于衡量某个功能/优化的上线效果,一般而言,可以从下面四个步骤进行:
- 明确要统计分析的业务功能
- 拆分衡量指标/提出分析假设
- 寻找对比数据
- 明确数据获取渠道
1. 明确要统计分析的业务功能
数据是产品效果的表达方式,在搭建数据体系前,必须先明确业务类型、明确验证目标:
A. 业务区分上, 不同的行业领域,其关注点是有很大差异的:
(1)互联网金融领域,看重的是保有量非0的用户数、用户的资金保有量、申购量、用户财富指数等;
(2)电商行业,看重的是产生购买行为的用户数、用户购买金额、购买频次、复购周期等;
(3)社交类产品,看重的是用户活跃程度,如日活跃时长、社区活跃度(评论、发帖)等。
B. 场景区分上, 是功能优化迭代验证效果?是差异化竞争的对比分析?是基于用户场景的拉新、留存、促活?还是流失场景的挽留?
产品数据体系,一般而言可以分为数据统计、数据分析两大类。
(1)数据统计更多与产品功能效果挂钩,用于衡量某一个产品指标,如用户数量、DAU、MAU、用户购买金额等。
(2)数据分析则更多用于产品路径流程剖析、问题发现、迭代指导、运营效果反馈等场景。
不同的业务、不同的目标,决定了我们要选取什么数据指标来衡量。
2. 拆分衡量指标/提出分析假设
明确了业务场景、统计/分析目标,下一步则是继续拆分合适的衡量指标;对于数据分析需求来说,还需要在此之前提出分析的假设。以下举例说明:
A. 分析某个产品功能的转化率
转化率一般可分为注册转化率、申购转化率、场景用户转化率、入口转化率等,亦即“用户对某款产品路转粉”的过程。
进一步拆分,转化率链路上的关键数据,分别有:曝光UV→点击UV→转化用户数,对应的则是“用户看到→用户感兴趣并尝试→用户被转化”的行为。
将转化率放到场景中做分析,目标一般有两种:
(1)看某个产品/运营流程的转化效果,统计新用户从接触到最终被成功转化的转化率,多用漏斗模型来表现转化率数据;
(2)对于多渠道多入口触达的产品,或产品功能正在进行A/B test,需通过比较多渠道多入口的转化率,对比每一个路径的效果。
B. 通过用户活跃度分析指导产品优化方向
活跃度指标可分为用户登录/访问频次、场景设置频次、申购/购买频次、互动频次等,主要是看用户在产品上的留存和活跃程度,比如用户近30天内登录过10次,用户近90天内发生了30次申购行为。
有些产品/功能上线后,用户抱着尝鲜的态度被转化,使用为数不多的几次后即流失,即可明确下一阶段工作重点是提升用户的留存率。相反,有的产品用户留存率很高,但深究发现用户大部分处于不活跃状态,即可明确下一阶段的工作重点是用户促活。
C. 监控用户健康度
产品的健康度在某种意义上说跟活跃度有点交叉,有些广义的概念可把活跃度包含于健康度内。
比如,ARPU值、用户流动性、会员体系下的用户升降级速度…都是衡量一款产品健康度的指标。
以会员体系下的用户升降级速度为例:设计一套会员体系时,数据体系的搭建就必须有事前规划测算、事中验证跟踪、事后调整这3个阶段。事前的规划测算一般需花费较大的时间和精力演算,因为一旦会员规则对外放开了,就不好轻易做调整。也因此,第3个阶段的调整,最好是能避免则避免。
会员体系需要拟合升降级曲线,一般达到的效果就是升级先易后难,降级留有一定buffer值。升级太快降级太慢,有导致体系被击穿、成本hold不住等风险,升级太慢降级太快,用户不买账没粘性。升降级速度,体现的是该产品的健康程度。
D. 用户流失节点分析
很多产品上线一段时间后,发现流失率越来越高,这个时候可关注用户在整个链路上的流失节点:用户主要是在哪一步开始流失的,用户流失的集中时间点是在什么时候,从流失节点着手进行产品优化、适当的流失挽留堵漏等操作。
如互金平台定投功能的使用,经过观察和分析可能会发现,用户在第一次扣款前后的流失率最高,且扣款高峰会伴随着流失高峰,可能的原因有以下:
- 扣款前:用户设置时仅抱着尝鲜的心态,在扣款(实际发生资金行为)前及时终止定投“止损”;或者对扣款行为的安全感不足。
- 扣款后:对资金的安全和流动性存在担忧;自身无法保证银行卡资金在扣款日是充足的,因资金不足扣款失败而放弃。
找到了可能的问题所在,即可对齐进行相应的用户教育和引导,降低流失率。一个水缸多个孔,堵住其中1个或几个,水流失的速度自然就慢了下来。
E. 通过假设潜在用户画像进行投放和验证
产品对用户做触达的时候,总会选择潜在目标用户,以提高转化率等各项指标。但何为“目标用户”,用户的年龄?用户所在的地区?用户的在线支付频次?需要通过多次投放尝试总结,可假设多个变量,通过调整潜在目标用户的画像进行用户包提取触达,比较多个投放渠道之间的数据差异,从而达到验证的目的。
3. 寻找对比数据
没有对比的效果指标评价,都是耍流氓。一款产品上线效果,产品经理要看到其中的利弊,并且找到合适的参照物来对比效果,才可以做出评价和结论。
举个例子:一款社区类产品上线至今,总用户数100万,日均活跃用户8万人。
这个数据是好是坏?我们需要找到一个对比衡量的标准,对比竞品,我们这个活跃用户水平算是较高的?对比过去的日均活跃用户5万人,则很明显有了提高。
因此,得到产品的上线效果数据后,需要找到对应的产品做标的,而这个标的,可以是竞品、可以是历史经验数据沉淀、也可以是行业内默认的标准等。
4. 明确获取数据渠道
规划好了数据衡量体系,接下来即是产品上线前的数据埋点工作和上线后的数据获取来源,有下面的一串口诀: 转化数据点击流,用户属性渠道号,反馈抽样用问卷,广义普适第三方。
A. 转化数据点击流
在看用户登录访问、购买等产品的路径转化数据时,常选择用户数为统计分析维度,这个时候,用相对简单的点击流埋点,一般可满足需求;主要统计产品流程中,每一步操作的用户数量,可形成漏斗模型。
B. 用户属性渠道号
在申购金额、购买数量和金额、评论互动等带有用户属性的场景下,需要适当深挖,这个时候可以用渠道号等标记对用户进行“打标”,方便跟踪监控用户的后续行为。
C. 反馈抽样用问卷
有的时候,我们需要探究用户行为原因,了解用户的主观操作意向,获取用户使用反馈时,通过上述的纯客观数据是难以得出合适的指导意见的,该情况下可以选择问卷的方式进行;可以获取足够反馈问题的样本数据。
D. 广义普适第三方
有一些第三方数据平台,如友盟、TalkingData、微信指数、百度指数等数据平台,适用于监控大行业大领域数据。如通过微信指数,可知道某个词汇的近期网络搜索次数,环比增减情况,添加对比词汇等。
方法论讲完,是不是还有点似懂非懂?那就给大家举一个案例:
对于luckin coffee来说,品牌定位更多在“职场咖啡”与“社交咖啡”上,因此,在获客初始节点,进行了不同商圈的线下试点门店铺设,通过各类优惠福利做app的推广下载和刺激用户分享获客。该阶段,如若进行数据分析,则首先需要明确分析目标:
- 线下不同商圈的试点效果
- 用户对职场咖啡的诉求及预期
- app推广效果/社交咖啡营销裂变效果
针对上述3点,可进一步提出对应的分析假设并寻找、拆分衡量指标:
- IT白领办公区域的门店效果优于市中心商圈;外带门店销售量高于堂食门店。
- 中午13:00~14:00和下午15:00~17:00是点单高峰;外卖订单30~40分钟内送达符合用户心理预期,30分钟内则可超出预期;职场白领更偏好美式,女生更偏好瑞纳冰系列等。
- 社交分享推广目标,如老用户人均分享3次/周,人均转化拉新3人/周,人均购买3杯/周,复购率在60%以上等。
针对上述分析假设,为更客观进行数据比较,可将上述假设进一步抽象为数据衡量指标,例如:
- 用各商圈门店的日均销售咖啡杯数、各品类咖啡(价格)销售数量占比、外卖&堂食销售数量占比来衡量各试点门店的销售效果,辅助扩张铺设/缩减投入的决策;
- 收集购买咖啡的用户画像属性数据,匹配性别、年龄、购买时间段、品类爱好、客户对外送单的反馈等,进而筛选出业务主打客群,完善饮品和服务细节;
- 通过数据埋点的方式,追踪客户的app UV/PV、咖啡购买杯数、优惠券链接分享次数、通过该分享链接点击进入并注册转化的新用户数量、用户在注册1周内二次下单的占比等数据;可得出对应app下单转化率、分享率、分享点击率、老拉新转化数、复购率等可精准客观对比的数据。
很多人都用luckin coffee来对标星巴克、连咖啡,将三者作为竞争对比。同理,如何衡量luckin coffee交出的这份答卷数据的好坏,则可通过对标星巴克、连咖啡相关业务的数据情况,如星巴克门店日销售量、日销售额,星巴克用星说礼品卡的销售量、赠送量等,将两者进行数据对比,进而得出结论。
按照数据体系搭建的四步法则,在产品上线前后提前做好产品数据的统计分析布局,验证效果、功能优化不再无从下手!
本文由 @漏网之鱼 原创发布于人人都是产品经理 ,未经许可,禁止转载。
题图来自 unsplash,基于 CC0 协议
作者暂无likerid, 赞赏暂由本网站代持,当作者有likerid后会全部转账给作者(我们会尽力而为)。Tips: Until now, everytime you want to store your article, we will help you store it in Filecoin network. In the future, you can store it in Filecoin network using your own filecoin.
Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: